加载Na和xEF；使用weka-jar在java代码中创建ve-Bayes模型

我使用了weka并通过使用wekagui制作了一个朴素贝叶斯分类器。然后，我通过以下操作保存了此模型。现在我想通过Java代码加载这个模型，但是我找不到任何方法来加载使用weka保存的模型

这是我的要求，我必须单独制作模型，然后在单独的程序中使用它

---

如果有人能在这方面指导我，我将非常感谢您。

您可以使用以下命令轻松地在java中加载保存的模型：

Classifier myCls = (Classifier) weka.core.SerializationHelper.read(pathToModel);

为了获得完整的Java工作流，我在SO文档中撰写了以下文章，现在复制到这里：

Weka中的文本分类 基于LibLinear的文本分类

• 从.arff文件创建培训实例

  private static Instances getDataFromFile(String path) throws Exception{
  
      DataSource source = new DataSource(path);
      Instances data = source.getDataSet();
  
      if (data.classIndex() == -1){
          data.setClassIndex(data.numAttributes()-1);
          //last attribute as class index
      }
  
      return data;    
  }
  

---

• 使用StringToOrdVector将字符串属性转换为数字表示：
  • 此过滤器的重要功能：

  • tf idf代表
  • 堵塞
  • 小写词
  • 停止语
  • n-gram表示*
  • 对培训数据应用过滤器：

    trainingData=filter.useFilter（培训数据，过滤器）
    

  • 创建线性分类器

  • 下面的SVM类型0对应于L2正则化逻辑回归
  • 设置

    setProbabilityEstimates（true）

    以打印输出概率

    分类器cls=null；
    LibLINEAR LibLINEAR=新的LibLINEAR（）；
    liblinear.setSVMType（新选择的标记（0，liblinear.TAGS_SVMTYPE））；
    liblinear.setProbabilityEstimates（真）；
    //liblinear.setBias（1）；//默认值
    cls=线性；
    cls.构建分类器（训练数据）
    

  • 保存模型

    System.out.println（“保存模型…”）；
    对象输出流oos；
    oos=newObjectOutputStream（newFileOutputStream（path+“mymodel.model”）；
    oos.writeObject（cls）；
    oos.flush（）；
    oos.close（）
    

  • 从

    .arff

    文件创建测试实例
    实例trainingData=getDataFromFile（PathToArffile）

  • 负载分级机

  分类器myCls=（分类器）weka.core.SerializationHelper.read（路径+“mymodel.model”）
  
  
  使用与上述相同的StringToOrdVector过滤器，或为testingData创建一个新的过滤器，但记住使用此命令的训练数据：
  filter.setInputFormat（训练数据）这将使培训和测试实例兼容。
  或者，您可以使用
  InputMappedClassifier
  
  将筛选器应用于testingData:
  testingData=filter.useFilter（testingData，filter）
  
  分类
  
  
  1.获取测试集中每个实例的类值
  
  对于（int j=0；jres

  是一个双精度值，对应于

  .arff

  文件中定义的标称类。要获取标称类，请使用：

  testintData.classAttribute（）.value（（int）res）

---

2.得到每个实例的概率分布

 for (int j = 0; j < testingData.numInstances(); j++) {
    double[] dist = first.distributionForInstance(testInstances.get(j));
 }

for（int j=0；j

dist

是一个双数组，包含

.arff

文件中定义的每个类的概率

---

注意。分类器应支持概率分布，并使用：

myClassifier.setProbabilityEstimates（true）启用它们
您可以使用以下命令轻松地在java中加载保存的模型：

Classifier myCls = (Classifier) weka.core.SerializationHelper.read(pathToModel);

为了获得完整的Java工作流，我在SO文档中撰写了以下文章，现在复制到这里：

Weka中的文本分类
基于LibLinear的文本分类

从.arff文件创建培训实例

private static Instances getDataFromFile(String path) throws Exception{

    DataSource source = new DataSource(path);
    Instances data = source.getDataSet();

    if (data.classIndex() == -1){
        data.setClassIndex(data.numAttributes()-1);
        //last attribute as class index
    }

    return data;    
}





使用StringToOrdVector将字符串属性转换为数字表示：


此过滤器的重要功能：

tf idf代表
堵塞
小写词
停止语
n-gram表示*




对培训数据应用过滤器：
trainingData=filter.useFilter（培训数据，过滤器）

创建线性分类器

下面的SVM类型0对应于L2正则化逻辑回归
设置
setProbabilityEstimates（true）
以打印输出概率

分类器cls=null；
LibLINEAR LibLINEAR=新的LibLINEAR（）；
liblinear.setSVMType（新选择的标记（0，liblinear.TAGS_SVMTYPE））；
liblinear.setProbabilityEstimates（真）；
//liblinear.setBias（1）；//默认值
cls=线性；
cls.构建分类器（训练数据）


保存模型

System.out.println（“保存模型…”）；
对象输出流oos；
oos=newObjectOutputStream（newFileOutputStream（path+“mymodel.model”）；
oos.writeObject（cls）；
oos.flush（）；
oos.close（）

从
.arff
文件创建测试实例

实例trainingData=getDataFromFile（PathToArffile）

负载分级机


分类器myCls=（分类器）weka.core.SerializationHelper.read（路径+“mymodel.model”）


使用与上述相同的StringToOrdVector过滤器，或为testingData创建一个新的过滤器，但记住使用此命令的训练数据：
filter.setInputFormat（训练数据）这将使培训和测试实例兼容。
或者，您可以使用
InputMappedClassifier

将筛选器应用于testingData:
testingData=filter.useFilter（testingData，filter）

分类


1.获取测试集中每个实例的类值

fo